数字普惠金融促进中国制造业就业规模增长和就业结构优化了吗？*

尹碧波，伍 颖

(1.湖南工商大学 资源环境学院，湖南 长沙 410205；2.湖南工商大学 财政金融学院，湖南 长沙 410205)

一、引言

党的十九大提出要加快发展先进制造业，发挥好数字普惠金融便捷、高效与包容性的特征，助力实现从“中国制造”到“中国智造”的转变。[1]4-25就业作为制造业发展的根基，实现其规模稳定和结构优化是中国制造业做大做强的重中之重。[2]68-80但在过去十余年智能化的冲击下，制造业劳动人口不断向第三产业转移，中国制造业就业规模从2013年的2.314亿人下降至2019年的2.123亿人(1)数据来源于国家统计局：https://data.stats.gov.cn/easyquery.htm?cn=C01。，产生的人力资本敞口对制造业高质量发展造成了不利影响。[3]2171-2182,2219为缓解就业压力，2020年3月3日，人民银行会同财政部、银保监会召开金融支持疫情防控和经济社会发展座谈会，会上强调“强化对先进制造业、民生就业等重点领域和薄弱环节的金融服务”。由此可见，加大金融服务对制造业产业的支持力度是解决中国制造业人力资本不足的有效措施。已有研究表明，数字普惠金融有助于将有限的金融资源往中小企业等薄弱环节配置，缓解资金错配，从而有利于增加制造业就业机会以及促进社会公平。[4]158-169不难看出，研究数字普惠金融对中国制造业企业就业的影响及其作用机制对积极化解制造业就业问题、发掘新的就业增长点尤为重要。

目前，已有大量研究证实了数字普惠金融对就业的积极影响。马国旺和王天娇(2021)基于中国省级面板数据实证研究发现，数字普惠金融通过激发创业和创新促进社会就业。[5]114-125更有学者聚焦家庭[6]71-86、收入[7]110-126和减贫效应[8]43-53等多个方面对就业的影响进行了思考。值得注意的是，少部分学者以企业为切入点，研究数字普惠金融的就业效应。赫国胜等(2021)和冉光和等(2021)根据企业产权属性进行分类并将就业人数汇总于省级层面，发现数字普惠金融对就业的促进作用在中小企业中更加显著，[9]49-58,[10]104-117体现了数字普惠金融的包容性特征。

遗憾的是，现有研究并未将数字普惠金融与制造业企业就业纳入统一的分析框架中，仅能从其他相关文献中分析二者可能存在的影响效应及作用机制。如习明明等(2021)认为普惠金融发展通过降低制造业融资成本和缓解融资约束等渠道提高就业水平，[11]13-22但并未将制造业聚焦企业展开研究。陈建伟和苏丽锋(2021)发现，ICT(信息与通信技术)通用型技术加速城市就业结构从制造业向服务业转型，对制造业就业的影响表现为抑制作用。[12]32-47,126-127不难发现，以上研究对制造业就业影响实际上与数字普惠金融的就业效应不尽相同，且并未得出一致的结论。因此，深入探讨数字普惠金融与制造业就业之间的关系具有理论和实践的意义。

具体来说，本文使用2011—2019年中国地级市层面的北京大学数字普惠金融指数与制造业上市企业数据进行匹配，从影响效应、作用机制和异质性三个维度考察数字普惠金融对制造业就业的影响，并使用工具变量、PSM-DID等方法解决内生性问题。研究发现：(1)数字普惠金融显著提高了制造业企业的就业规模，并且对于高技能人员和销售、技术岗位人员的就业作用更加明显，就业结构得以优化。(2)数字普惠金融发展水平的提高，能缓解融资约束和降低融资成本、提高企业技术创新能力、优化区域金融资源配置，这些都有助于提高就业规模和优化就业结构。(3)数字普惠金融对制造业企业的就业规模增长效应和就业结构优化效应在非国有企业、劳动和知识密集型制造业企业以及欠发达地区的企业中更为显著。

本文的潜在贡献主要体现在以下三个方面：(1)将就业细分为就业规模、就业技能结构和就业岗位结构，首次将数字普惠金融与这三者纳入统一的分析框架之中，丰富了相关领域的研究。(2)聚焦制造业企业层面进一步探讨数字普惠金融对就业的影响研究。(3)系统归纳了数字普惠金融影响制造业企业就业的作用机制，深入理解两者之间的关系。

二、理论分析与研究假说

数字普惠金融以新一代大数据、云计算、互联网以及人工智能等新兴信息技术为基础，拓宽了传统普惠金融的服务边界，以低门槛、低成本、个性化、共享等特征得到广泛发展。[13]1557-1580一方面，数字普惠金融能提高金融服务的可得性、渗透性和普及性，克服金融资源错配问题[14]30-56；另一方面，数字普惠金融减少供应链核心企业的金融资源二次配置，抑制实体企业金融化[15]170-188,[16]96-112，从而提高有效供给，强化对实体经济的支持力度[17]52-66,9。对制造业企业而言，数字普惠金融的发展既能盘活金融资源、缓解融资约束，进而扩大生产规模，又可以激发企业创新活力和创新成果转化，激励制造业企业增加资本和劳动投入，促进就业增长。由此，本文提出：

假说1：数字普惠金融可以有效促进制造业企业就业增长。

数字普惠金融凭借先进的技术优势，利用大数据、云计算等信用评估手段给中小企业“画像”，能有效缓解金融资源供需双方的信息不对称。[18]1647-1661此外，数字普惠金融还能帮助借款企业维持平稳的现金流和利润，改善企业盈余管理，降低对外源融资的需求，进而降低企业融资成本。[16]96-112数字普惠金融增加向中小企业的融资，一方面使得创新资源从众多“僵尸企业”流向更有效率的中小微企业[19]69-83，有效克服创新活动占用资金多、周期长、风险大等的弊端；另一方面促进创新成果转化[20]58-67，即通过扩大服务范围、多样化服务方式和衔接金融与实体两个部门等方式助力企业从“研发阶段”转化到“市场化阶段”。而数字金融普惠化政策的实施，使得信贷资源、金融机构网点和其他金融资源向区域金融资源薄弱环节靠拢，更好地发挥不同区域间制造业产业的比较优势，吸纳社会就业、增加整体就业。

基于上述分析，本文提出假说2：数字普惠金融有助于制造业企业缓解融资约束、提高创新能力，有助于优化区域间金融资源配置，进而对就业产生积极影响。

综上，已有大量文献对数字普惠金融的就业效应及影响机制进行了研究。那么如果细分就业结构，数字普惠金融会有怎样的差异化影响呢？部分文献根据企业员工学历结构和岗位差异，将就业结构细分为就业技能结构和就业岗位结构。[21]78-96,[22]65-80“资本技能互补”假说认为融资成本较低、融资约束较小的企业因资本密集度高，更具有创新动机和高薪就业吸纳等特征而对高技能劳动需求更大。数字普惠金融对制造业企业融资约束的缓解作用将传导至对就业结构的差异化影响。根据“资本技能互补”假说，预期数字普惠金融对制造业企业高技能就业的影响更大。而对于制造业就业岗位结构的影响可以从全球产业链、价值链中进行剖析。马虎兆等(2012)指出，中国自改革开放以来制造业取得了举世瞩目的成就，但从全球制造业产业链来看，仍处于全球价值链低端。[23]36-43而在中国超大规模市场、尖端科技不断突破以及宏观经济调控稳中向好的支撑下，中国制造业将呈现高端化和柔性化发展特征，进而提升全球产业价值链地位，最直接的表现就是中国制造业企业中技术创新与开发(产业链前端)和销售(产业链后端)等高附加值的工作占比大幅度提升。[24]63-81,207因此，随着中国制造业向纵深发展，数字普惠金融对企业就业发展的影响将相对集中在技术和销售部门。鉴于此，提出以下假说：

假说3a：数字普惠金融对制造业企业高技能就业的影响更加突出；

假说3b：数字普惠金融对制造业企业技术和销售岗位的影响更加突出。

三、研究设计

1.数据来源

本文以2011—2019年中国A股上市制造业企业与地级市层面北京大学数字普惠金融指数相匹配的面板数据为研究对象。按照下列步骤对数据进行处理：(1)剔除样本期间ST、PT的上市公司；(2)剔除存在基础数据缺失或指标明显错误的样本；(3)对主要连续变量采取上下1%缩尾处理，以消除极端值的影响。数字普惠金融指标来源于《北京大学数字普惠金融指数(2011—2020)》，制造业公司层面数据来源于CSMAR数据库，城市层面数据来源于《中国城市统计年鉴》，部分来源于CNSDA数据库。

2.主要变量定义

(1)数字普惠金融(df)。选取郭峰等(2020)建立的北京大学数字普惠金融指数[25]1401-1418，该数据建立在地级市及以下层面上亿微观数据的基础之上，由多层级指标综合而成，已得到广泛应用，具有较高的权威性和可靠性，是对数字普惠金融发展水平相对准确、客观的反映。

(2)制造业企业就业规模(lnemploy)。参考孙伟增等(2021)的研究，选取制造业上市企业雇用员工总数量的对数进行度量。

(3)就业技能结构。对于高技能劳动力，现有文献通常采用本科及以上学历的员工人数进行衡量[26]185-197，但考虑到全国高等院校扩招政策的实施，本科学历已不足以代表高质量劳动力[27]1993-2016，故本文选择硕士研究生及以上学历的劳动力数量的对数来衡量企业高技能员工(lnhigh)，反之则为中低学历员工(lnlow)。

(4)就业岗位结构。按照员工所从事的岗位类型可以划分为管理、人事和行政、技术、生产、销售、客服、财务和其他等八类，其中与制造业转型升级关系最为密切的岗位类型为技术、生产和销售，代表全球制造业生产分工中前后端高附加值类岗位。因此，选取生产岗位(lnprod)、销售岗位(lnsell)和技术岗位(lntech)的员工人数分析制造业企业就业岗位结构。

(5)控制变量。参考已有研究，从企业与城市两个层面选取与企业劳动就业相关的其他因素。具体而言，企业层面选取企业年龄(年份-企业上市日期，lnage)、资本结构(资产负债比，capital_structure)、企业规模(企业总资产，lnsize)、企业成长性(托宾Q值，tuobinq)等来衡量，城市层面选取经济发展水平(人均GDP，lnrgdp)、制造业从业人数(城市制造业从业人员总数，lnzzy)、第二产业发展水平(第二产业增加值占GDP的比重，second)、教育水平(每万人在校大学生数，edu)和公共服务水平(医院卫生床位数，lnyywscws)来衡量。

(6)中介变量。借鉴现有研究，采用SA指数作为制造业企业融资约束的代理变量，采用利息费用与总负债之比作为债务融资成本的代理变量。仅考虑债务融资成本的原因是数字普惠金融主要缓解银行与制造业企业之间的信息不对称而降低信贷成本，受此影响最大的当属企业债务融资成本。其次，本文从创新投入和创新产出两个方面进行分析，分别选取企业研发支出(rd)和发明专利申请数量(fa*df)进行度量，选择发明专利而非全部专利申请数量的主要原因是前者更具含金量，且避免了企业因寻求地方政府研发经费而产生的“虚假专利”，规避“专利泡沫”。对于区域金融资源配置而言，企业层面的面板数据无法直接构建指标对其进行度量，因此本文“另辟蹊径”：以地级市年末金融机构贷款余额的中位数为基准对样本进行划分，如果数字普惠金融对金融资源“贫瘠组”地区样本的就业促进效应高于“丰富组”地区样本，可以认为数字普惠金融促进了金融资源往薄弱区域配置，即优化区域金融资源配置，主要变量描述性统计见表 1。

表1 主要变量描述性统计

3.计量模型设定

为了检验数字普惠金融对制造业企业就业的影响，本文构建如下计量模型：

employijt=β0+β1dfjt+β2Xit+β3cityjt+year+province+industry+θit

其中，employ为企业就业水平，包括就业规模、就业技能结构和就业岗位结构，df为数字普惠金融指数，X为企业层面控制变量，city为城市层面控制变量，year表示年份固定效应，province表示省份固定效应，industry为行业固定效应，θit为残差项。

为检验数字普惠金融影响制造业企业就业的作用机制，本文参考任胜钢等(2019)的方法采用交互项的方式检验中介效应[28]5-23，以融资约束为例，其模型如下所示：

employijt=α0+α1dfjt+γ1df*sa+α2Xit+α3cityjt+year+province+industry+θit

其中，df*sa为数字普惠金融与融资约束的交互项，这里主要关注系数γ1，如果γ1显著为正，则表明数字普惠金融可通过缓解融资约束促进就业。需要注意的是，区域金融资源配置优化的中介效应通过划分样本进行检验。

四、实证结果

1.基准回归结果

表2列示了本文的基准回归结果，数字普惠金融的回归系数为0.24，且通过了1%的统计显著性检验，表明数字普惠金融每增加1个单位，制造业企业的就业规模将显著提高0.24%，持续推进中国数字普惠金融发展是稳定与扩张制造业就业规模的有效措施，本文假说1得到验证。

从就业技能结构来看，数字普惠金融对高低技能就业的回归系数分别为0.97和0.21，分别在1%和5%的水平上显著，且前者大于后者，表明数字普惠金融对制造业企业就业的促进效应在高技能劳动力中更加突出，有利于提升制造业企业高技能员工占比；但同时由于生产需要和高低技能存在的互补性，低技能就业也有一定提升。从就业岗位结构来看，第(4)～(6)列汇报了相应回归结果，数字普惠金融对销售岗位和技术岗位就业的回归系数显著为正，与之相反，随着数字普惠金融发展，企业中生产岗位就业的数量有所下降，且在统计上不显著，证明数字普惠金融发展对制造业企业就业的影响主要体现在推动销售和技术岗位就业提升，助力制造业企业往产业链高端攀升上。

表2 基准回归结果(2) 本文对回归结果进行了一定的简化，有需要的读者可向作者索取。

2.稳健性检验

考虑到可能存在的测量误差、内生性等问题，为了增强结果的稳健性，本文进行一系列稳健性检验，包括替换变量、剔除中国股灾的影响和缓解内生性问题等。

(1)替换解释变量。北京大学数字普惠金融指数中包含三个子项，分别是数字普惠金融覆盖广度(df_cover)、使用深度(df_usage)和数字化程度(df_digital)。对数字普惠金融指数进行替换，结果显示回归系数均为正，且覆盖广度和数字化程度至少在5%的统计水平上显著，证明了本文结果的稳健性(3)限于篇幅限制，未展示本部分回归结果。。

(2)剔除中国股灾的影响。全球范围内或者中国的重大金融事件对数字普惠金融发展具有较大的冲击[29]130-144,10。而这类因素的影响难以通过构建变量的方式吸收，为排除其可能造成的干扰，参考唐松等(2020)的研究，截取2011—2014年的样本进行回归，以剔除重大金融事件造成的内生性冲击。结果显示本文基准回归结果并没有发生变化(4)限于篇幅限制，未展示本部分回归结果。。

(3)内生性问题。首先采用工具变量法，缓解可能存在的因遗漏变量和数字普惠金融指数测量误差导致的回归结果产生偏误的内生性问题。参考谢绚丽等(2018)的研究，选用省级层面的互联网普及率(gjhlwyhs)作为工具变量，显然数字普惠金融发展水平与其直接相关，而制造业企业的就业不足以影响到省级互联网普及率的发展，满足工具变量的两个条件。工具变量回归结果如表3列(1)所示，数字普惠金融对制造业企业就业的影响依旧为正，证明了基准回归的稳健性。此外，弱工具变量检验显示弱工具变量检验值大于80，在1%的水平上拒绝弱工具变量原假设；不可识别检验P值为0，拒绝不可识别原假设；而Sargan统计量P值不显著，接受工具变量外生的原假设。为进一步证明工具变量的外生性，本文将工具变量与内生解释变量共同纳入模型中。回归结果如表 3列(2)所示，工具变量系数为0，表明工具变量仅能通过内生解释变量影响制造业企业就业而排除了其他途径，证明工具变量满足外生性假设。

其次，为了缓解反向因果问题，本文将解释变量滞后项替代原有解释变量纳入计量模型中，结果并未发生显著变化，如表3列(3)所示。接着，制造业企业层面可能因存在遗漏变量问题而影响就业水平，进而产生内生性问题，本文进一步控制了制造业企业层面的固定效应，结果如表3列(4)所示，基本检验结果仍然稳健。

表3 内生性问题处理(5)为节省篇幅，未展示截距项；控制变量与行业、年份、省份固定效应均已控制。

最后，结合倾向得分匹配和双重差分法进一步缓解内生性问题。参考李建军和韩珣(2019)的方法，视国务院2016年发布的《推进普惠金融发展规划(2016—2020)》为外生政策冲击，当样本区间在2016年及以后时，t取值为1，否则取值为0。[30]21-35由于数字普惠金融缓解了中小企业融资难、融资贵的问题，对金融发展水平较低地区制造业企业的影响更加突出。因此本文按照地区金融发展水平对样本进行分组，地区金融发展水平采用地级市年末金融机构贷款余额进行衡量，当年末金融机构贷款余额较大时，表明该城市金融发展水平较高。本文取最小规模的四分之一作为实验组，剩余部分样本作为对照组，即低于年末金融机构贷款余额2.5分位数取值为1，否则为0。然后使用PSM-DID对样本进行回归。结果如表 3列(5)所示，年份与实验组交互项的系数为正，且在1%的水平上显著，证明结果稳健。

3.作用机制检验

下面对数字普惠金融发展对制造业企业就业影响的作用机制进行检验，根据前文假说2，数字普惠金融可能从融资、创新、金融资源配置三个视角影响制造业企业就业。回归结果如下表4所示。

(1)融资约束和融资成本。肖兴志等(2019)发现融资约束会通过减少潜在就业机会与抑制企业正常规模扩张而抑制就业增长[19]69-83，而融资成本高意味着企业面临的现金流不足，[31]105-119,160从而丧失可能带来可观现金流的投资机会[32]106-120，抑制可能的就业增长。表4列(1)(2)结果显示，SA指数和债务成本与数字普惠金融交互项(sa*df、i*df)的系数分别为7.14和-0.01，且分别在1%和5%的水平上显著，表明数字普惠金融可以通过缓解融资约束和降低融资成本提高制造业企业就业水平。

(2)技术创新能力。从企业创新投入和产出两个方面进行衡量,回归结果如表4列(3)(4)所示，企业研发支出和发明专利申请数量与数字普惠金融交互项(rd*df、fa*df)的系数均显著为正，表明数字普惠金融可以通过提高制造业企业创新能力提升其就业水平。

(3)区域金融资源配置。数字普惠金融通过数字技术手段为金融服务“长尾”群体提供融资便利，将优质金融资源配置到传统金融服务难以覆盖到的地区和微观企业、个体，由此达到优化区域金融资源配置的效果。[33]75-83表4列(5)(6)的结果显示数字普惠金融对制造业企业就业的影响效应在低金融发展水平地区为0.35，远大于高金融发展水平地区，且在1%的水平上显著，表明在金融资源禀赋较差的地区更容易受到数字普惠金融政策的倾斜，金融资源在全国的配置效率得到优化，进而对制造业企业就业水平产生积极影响，同时体现了数字普惠金融的包容性特征。[6]71-86

表4 作用机制检验

4.异质性分析

(1)地区发展水平。根据人均GDP和对中国东中西部的样本进行分组检验，回归结果显示(6)限于篇幅，未展示本部分回归结果。，数字普惠金融的就业效应在欠发达地区和发达地区的系数分别为0.28和0.27，前者稍大于后者，而在中西部地区和东部地区的回归系数分别为0.27和-0.02，前者远大于后者。上述结果验证了本文的假设，数字普惠金融对制造业企业就业水平的提升作用在欠发达地区或者中西部地区更加突出。同时，从就业技能结构来看，与基准检验结果一致(7)异质性检验中未研究就业岗位结构的原因是，对数据进行分组之后会由于样本量过小而导致过大的估计偏误，为保证结果的稳健性，仅考察制造业企业就业规模和就业技能结构。。

(2)产权属性异质性。从制造业企业就业规模来看，数字普惠金融对非国有企业和国有企业都具有促进作用，但前者在1%的水平上显著，后者不显著，这表明在数字普惠金融政策下非国有企业的就业水平比国有企业有更大的提升。

(3)细分行业异质性。参考李新安和李慧(2022)、戴翔和宋婕(2019)的研究，将30余个制造业行业划分为劳动密集型企业、资本密集型企业和知识密集型企业来进行考察。[34]159-170,[35]108-121,136回归结果显示，数字普惠金融对劳动密集型企业和知识密集型企业就业水平具有显著正向影响，而对资本密集型企业的影响不显著。可能的原因是：第一，资本密集型企业中资本运作占比较高，以自然资源加工、冶炼为主要生产方式，生产周期普遍较短，现金流压力较小，从而面临较小的融资约束，数字普惠金融对此类企业的影响不显著。第二，劳动密集型和知识密集型企业具有高投入、高风险的特征，前者易受公共卫生事件及其他事件冲击，而后者面临较高的创新、维护与推广成本，数字普惠金融易对此类企业的融资和就业产生积极影响。

五、结论与政策建议

随着我国金融市场不断完善和发展，以大数据、互联网为代表的数字技术与之深度融合，金融对实体经济的支撑作用愈发显著。数字普惠金融作为科学、合理分配社会金融资源的“调节器”，推动了我国制造业以新产业、新业态的模式迅速发展，并成为推动就业规模增长与就业结构调整的重要引擎。本文在已有研究的基础上，将2011—2019年中国A股制造业上市公司与数字普惠金融指数进行匹配，探讨数字普惠金融发展对制造业企业就业规模和结构的影响及其作用机制。

本文的主要研究结论为：(1)数字普惠金融显著提高了制造业企业的就业规模，具体来说，数字普惠金融每增加1个单位，制造业企业的就业规模将显著提高0.24%。数字普惠金融的就业效应对于高技能和销售、技术岗位员工更加显著，就业结构得到优化。(2)数字普惠金融发展可以通过缓解融资约束和降低融资成本、提高企业技术创新能力、优化区域金融资源配置三个渠道提高制造业就业规模和优化就业结构。(3)数字普惠金融对制造业企业的就业规模增长效应和就业结构优化效应在非国有企业、劳动和知识密集型制造业企业以及欠发达地区的企业中更为显著。

基于上述研究结论，本文提出以下几点政策启示：(1)应大力发展普惠金融，加快部署新型数字技术基础设施建设，拓宽制造业就业空间。数字普惠金融以其包容性特征，在不断完善中小企业信用评级体系的基础上，切实改善制造业企业发展的资金制约困境、降低其信贷门槛和融资成本，提升制造业企业就业水平，加速其发展和转型升级进程，推动中国制造业高质量发展。(2)要着力发展高水平教育，增加教育投入和创新思维建设，实现创业、创新拉动制造业就业发展。进一步优化就业技能结构和岗位结构，以适应中国制造业产业链高级化发展，挖掘人力资本驱动制造业转型升级的渠道。(3)各地区应结合当地实际发展状况，制定差异化数字普惠金融发展政策，促进金融资源在制造业企业中的合理配置，提高实体经济与金融体系的匹配性，切实提升制造业就业水平。